[发明专利]一种面向异构移动边缘网络的动态任务卸载方法

权利要求书

1.一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，具体包括以下步骤：

S1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若I_m,ij(t)＝1，则计算任务将卸载到宏基站处理，若I_s,ij(t)＝1，则计算任务将卸载到小基站处理，若I_m,ij(t)＝0且I_s,ij(t)＝0，则计算任务在本地处理；

S2、在本地处理的任务队列获取本地计算的能耗，在云端处理的任务队列获取移动设备的卸载任务量，并计算卸载效用U_ij(t)、通信成本以及通信与计算能耗成本其中，卸载效用U_ij(t)表示为：

通信成本表示为：

通信与计算能耗成本表示为：

S3、根据卸载效用U_ij(t)、通信成本以及通信与计算能耗成本建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题，表示为：

P1:

S4、根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程，表示为：

根据时隙t的处理移动设备本地任务的任务队列模型和处理云端任务的任务队列模型，构建时隙t的李雅普诺夫函数；

根据构建的李雅普诺夫函数计算李雅普诺夫漂移；

以最小化漂移-效用函数的上界为优化目标，构建小基站j下的移动设备i在t时隙进入本地处理任务和进入云端处理的任务、在卸载任务的任何可能决策下的不等式方程；

使用机会主义最小化期望的概念最小化构建的不等式方程，得到新的优化方程；

S5、根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量；

其中，ζ_ij为移动设备i的加权参数；b_ij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；η_s为移动设备将任务卸载到小基站的单位任务传输成本；为时隙t上的卸载任务；I{}为卸载策略，I_s,ij(t)＝1表示在时隙t计算任务被卸载到小基站执行，I_m,ij(t)＝1表示在时隙t计算任务被卸载到宏基站执行，且在t时隙I_s,ij(t)+I_m,ij(t)≤1；η_m为移动设备将任务卸载到宏基站的单位任务传输成本；为通信的单位能耗成本；为通信的能耗；为计算的单位能耗成本；为计算的能耗；为一个宏基站下的小基站的集合，为一个小基站下的移动设备的集合，为离散时隙的集合；为系统的平均卸载收益；r_ij(t)表示t时隙移动设备i的任务卸载收益；表示计算期望；T_ij(t)为计算任务卸载到云端所花费的时间总和；τ_ij,d为计算任务的最大截止时间；I_k,ij(t)表示t时隙宏基站或者小基站下的移动设备的卸载策略，k∈{m,s},表示小基站下移动设备的CPU周期频率，表示宏基站下移动设备的CPU周期频率；为小基站或宏基站下CPU周期频率的最大值；为小基站或宏基站下CPU周期频率的最小值；移动设备在单位时隙内卸载的最小任务量；为移动设备在单位时隙内卸载的最大任务量；表示本地任务队列的平均积压长度；表示云端任务队列的平均积压长度；N为集合中元素的数量，M_i为集合中元素的数量；T为集合中元素的数量。

2.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，处理移动设备本地任务的任务队列模型的更新规则为：

处理云端任务的任务队列模型的更新规则为：

其中，表示t时隙第j个小基站下第i个移动设备的本地任务队列的积压长度，表示t时隙第j个小基站下第i个移动设备的云端任务队列的积压长度；为时隙t本地处理的任务量；为时隙t上的卸载任务；a_i(t)为本地处理的任务量；c_i(t)为卸载到云端的任务量；为一个宏基站下的小基站的集合，为一个小基站下的移动设备的集合，为离散时隙的集合。